ในช่วงไม่กี่ปีที่ผ่านมา ความก้าวหน้าด้านคอมพิวเตอร์วิทัศน์ช่วยให้นักวิจัย ผู้ปฏิบัติการฉุกเฉินเบื้องต้น และรัฐบาลสามารถจัดการกับปัญหาที่ท้าทายในการประมวลผลภาพถ่ายดาวเทียมทั่วโลกเพื่อทำความเข้าใจโลกของเราและผลกระทบของเราที่มีต่อโลก AWS เพิ่งเปิดตัว ความสามารถเชิงพื้นที่ของ Amazon SageMaker เพื่อมอบภาพถ่ายดาวเทียมและแบบจำลองการเรียนรู้ของเครื่องเชิงพื้นที่ (ML) ที่ล้ำสมัยแก่คุณ ช่วยลดอุปสรรคสำหรับกรณีการใช้งานประเภทนี้ สำหรับข้อมูลเพิ่มเติม โปรดดูที่ ดูตัวอย่าง: ใช้ Amazon SageMaker เพื่อสร้าง ฝึกฝน และปรับใช้โมเดล ML โดยใช้ข้อมูลเชิงพื้นที่.
หน่วยงานหลายแห่ง รวมทั้งหน่วยกู้ภัยเบื้องต้น กำลังใช้ข้อเสนอเหล่านี้เพื่อรับรู้สถานการณ์ในวงกว้าง และจัดลำดับความสำคัญของความพยายามบรรเทาทุกข์ในพื้นที่ทางภูมิศาสตร์ที่เกิดภัยพิบัติทางธรรมชาติ บ่อยครั้งที่หน่วยงานเหล่านี้จัดการกับภาพถ่ายภัยพิบัติจากระดับความสูงต่ำและจากดาวเทียม และข้อมูลนี้มักไม่มีป้ายกำกับและใช้งานยาก แบบจำลองการมองเห็นด้วยคอมพิวเตอร์ที่ล้ำสมัยมักมีประสิทธิภาพต่ำกว่าปกติเมื่อดูภาพถ่ายดาวเทียมของเมืองที่มีพายุเฮอริเคนหรือไฟป่าพัดถล่ม เนื่องจากขาดชุดข้อมูลเหล่านี้ แม้แต่โมเดล ML ที่ล้ำสมัยก็มักจะไม่สามารถส่งมอบความแม่นยำและความแม่นยำที่จำเป็นในการทำนายการจำแนกประเภทภัยพิบัติมาตรฐานของ FEMA
ชุดข้อมูลภูมิสารสนเทศมีข้อมูลเมตาที่เป็นประโยชน์ เช่น พิกัดละติจูดและลองจิจูด และการประทับเวลา ซึ่งสามารถให้บริบทสำหรับภาพเหล่านี้ สิ่งนี้มีประโยชน์อย่างยิ่งในการปรับปรุงความแม่นยำของ ML เชิงพื้นที่สำหรับฉากภัยพิบัติ เนื่องจากภาพเหล่านี้มีความยุ่งเหยิงและวุ่นวายโดยเนื้อแท้ อาคารไม่เป็นรูปสี่เหลี่ยมผืนผ้า พืชได้รับความเสียหายอย่างต่อเนื่อง และถนนเส้นตรงถูกขัดจังหวะด้วยน้ำท่วมหรือโคลนถล่ม เนื่องจากการติดฉลากชุดข้อมูลขนาดใหญ่เหล่านี้มีราคาแพง ทำเอง และใช้เวลานาน การพัฒนาโมเดล ML ที่สามารถทำให้การติดฉลากรูปภาพและคำอธิบายประกอบเป็นไปโดยอัตโนมัติจึงมีความสำคัญ
ในการฝึกแบบจำลองนี้ เราจำเป็นต้องมีชุดย่อยความจริงพื้นฐานที่มีป้ายกำกับของ ชุดข้อมูลภาพภัยพิบัติในระดับความสูงต่ำ (LADI). ชุดข้อมูลนี้ประกอบด้วยภาพทางอากาศที่มีคำอธิบายประกอบโดยมนุษย์และเครื่องจักรที่รวบรวมโดย Civil Air Patrol เพื่อสนับสนุนการตอบสนองต่อภัยพิบัติต่างๆ ตั้งแต่ปี 2015-2019 ชุดข้อมูล LADI เหล่านี้มุ่งเน้นไปที่ฤดูกาลพายุเฮอริเคนในมหาสมุทรแอตแลนติกและรัฐชายฝั่งตามมหาสมุทรแอตแลนติกและอ่าวเม็กซิโก ความแตกต่างที่สำคัญ XNUMX ประการคือความสูงต่ำ มุมมองเฉียงของภาพ และคุณลักษณะที่เกี่ยวข้องกับภัยพิบัติ ซึ่งไม่ค่อยปรากฏให้เห็นในเกณฑ์มาตรฐานการมองเห็นด้วยคอมพิวเตอร์และชุดข้อมูล ทีมงานใช้หมวดหมู่ FEMA ที่มีอยู่สำหรับความเสียหาย เช่น น้ำท่วม เศษซาก ไฟไหม้และควัน หรือดินถล่ม ซึ่งเป็นมาตรฐานสำหรับหมวดหมู่ฉลาก จากนั้นโซลูชันจะสามารถคาดการณ์ข้อมูลการฝึกอบรมที่เหลือ และกำหนดเส้นทางผลลัพธ์ที่มีความเชื่อมั่นต่ำกว่าสำหรับการตรวจสอบโดยมนุษย์
ในโพสต์นี้ เราจะอธิบายการออกแบบและการใช้งานโซลูชัน แนวทางปฏิบัติที่ดีที่สุด และส่วนประกอบหลักของสถาปัตยกรรมระบบ
ภาพรวมโซลูชัน
โดยสังเขป การแก้ปัญหาเกี่ยวข้องกับการสร้างท่อสามท่อ:
- ไปป์ไลน์ข้อมูล – แยกข้อมูลเมตาของรูปภาพ
- ไปป์ไลน์การเรียนรู้ของเครื่อง – จำแนกและติดป้ายกำกับรูปภาพ
- ไปป์ไลน์การตรวจสอบโดยมนุษย์ในวง – ใช้ทีมมนุษย์เพื่อตรวจสอบผลลัพธ์
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมโซลูชัน
ด้วยธรรมชาติของระบบการติดฉลากเช่นนี้ เราจึงออกแบบสถาปัตยกรรมที่ปรับขนาดได้ในแนวนอนซึ่งจะจัดการกับการส่งผ่านข้อมูลที่เพิ่มขึ้นอย่างรวดเร็วโดยไม่ต้องจัดสรรมากเกินไปโดยใช้สถาปัตยกรรมแบบไร้เซิร์ฟเวอร์ เราใช้รูปแบบหนึ่งต่อกลุ่มจาก บริการ Amazon Simple Queue (Amazon SQS) ถึง AWS แลมบ์ดา ในหลายจุดเพื่อรองรับการส่งผ่านข้อมูลที่เพิ่มสูงขึ้นเหล่านี้ ให้ความยืดหยุ่น.
การใช้คิว SQS ในการประมวลผล บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon เหตุการณ์ (Amazon S3) ช่วยให้เราควบคุมการทำงานพร้อมกันของการประมวลผลดาวน์สตรีม (ในกรณีนี้คือฟังก์ชันแลมบ์ดา) และจัดการกับข้อมูลที่พุ่งเข้ามา การจัดคิวข้อความขาเข้ายังทำหน้าที่เป็นพื้นที่จัดเก็บบัฟเฟอร์ในกรณีที่ดาวน์สตรีมล้มเหลว
เนื่องจากความต้องการที่ขนานกันอย่างมาก เราจึงเลือกให้แลมบ์ดาประมวลผลภาพของเรา Lambda เป็นบริการประมวลผลแบบไร้เซิร์ฟเวอร์ที่ช่วยให้เราเรียกใช้โค้ดโดยไม่ต้องจัดเตรียมหรือจัดการเซิร์ฟเวอร์ สร้างตรรกะการปรับขนาดคลัสเตอร์ที่รับรู้ภาระงาน รักษาการผสานรวมเหตุการณ์ และจัดการรันไทม์
เราใช้ บริการ Amazon OpenSearch ในฐานะที่เก็บข้อมูลส่วนกลางของเราเพื่อใช้ประโยชน์จาก OpenSearch Dashboards ที่สามารถปรับขนาดได้สูง การค้นหาที่รวดเร็วและการสร้างภาพข้อมูลแบบบูรณาการ มันช่วยให้เราสามารถเพิ่มบริบทให้กับรูปภาพซ้ำๆ โดยไม่ต้องคอมไพล์ใหม่หรือปรับขนาด และจัดการกับวิวัฒนาการของสคีมา
ความหมายของ Amazon ทำให้ง่ายต่อการเพิ่มการวิเคราะห์ภาพและวิดีโอในแอปพลิเคชันของเรา โดยใช้เทคโนโลยีการเรียนรู้เชิงลึกที่ได้รับการพิสูจน์แล้ว ปรับขนาดได้สูง ด้วย Amazon Rekognition เราได้รับพื้นฐานที่ดีของวัตถุที่ตรวจพบ
ในส่วนต่อไปนี้ เราจะลงรายละเอียดในแต่ละไปป์ไลน์
ไปป์ไลน์ข้อมูล
ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์ของดาต้าไปป์ไลน์
ไปป์ไลน์ข้อมูล LADI เริ่มต้นด้วยการอิมเมจข้อมูลดิบจาก โปรโตคอลการแจ้งเตือนทั่วไปของ FEMA (CAP) ลงในบัคเก็ต S3 เมื่อเรานำเข้ารูปภาพลงในถังข้อมูลดิบ รูปภาพเหล่านั้นจะได้รับการประมวลผลในเวลาใกล้เคียงเรียลไทม์ในสองขั้นตอน:
- บัคเก็ต S3 ทริกเกอร์การแจ้งเตือนเหตุการณ์สำหรับการสร้างวัตถุทั้งหมด โดยสร้างข้อความในคิว SQS สำหรับแต่ละภาพที่นำเข้า
- คิว SQS เรียกใช้ฟังก์ชัน Lambda ที่กำลังประมวลผลล่วงหน้าบนภาพพร้อมกัน
ฟังก์ชัน Lambda ดำเนินขั้นตอนการประมวลผลล่วงหน้าต่อไปนี้:
- คำนวณ UUID สำหรับแต่ละภาพ โดยระบุตัวระบุเฉพาะสำหรับแต่ละภาพ ID นี้จะระบุรูปภาพตลอดอายุการใช้งาน
- ดึงข้อมูลเมตา เช่น พิกัด GPS, ขนาดภาพ, ข้อมูล GIS และตำแหน่ง S3 ออกจากภาพและเก็บไว้ใน OpenSearch
- จากการค้นหารหัส FIPS ฟังก์ชันจะย้ายรูปภาพไปยังบัคเก็ตข้อมูล S3 ที่คัดสรรแล้ว เราแบ่งข้อมูลตามรหัส FIPS-State-code/FIPS-County-code/Year/Month ของภาพ
ไปป์ไลน์การเรียนรู้ของเครื่อง
ไปป์ไลน์ ML เริ่มต้นจากอิมเมจที่ลงจอดในบัคเก็ตข้อมูล S3 ที่ดูแลจัดการในขั้นตอนไปป์ไลน์ข้อมูล ซึ่งทริกเกอร์ขั้นตอนต่อไปนี้:
- Amazon S3 สร้างข้อความในคิว SQS อื่นสำหรับแต่ละออบเจ็กต์ที่สร้างในบัคเก็ตข้อมูล S3 ที่ดูแลจัดการ
- คิว SQS ทริกเกอร์ฟังก์ชัน Lambda พร้อมกันเพื่อเรียกใช้งานการอนุมาน ML บนรูปภาพ
ฟังก์ชัน Lambda ดำเนินการต่อไปนี้:
- ส่งภาพแต่ละภาพไปยัง Amazon Rekognition เพื่อตรวจหาวัตถุ จัดเก็บฉลากที่ส่งคืนและคะแนนความเชื่อมั่นตามลำดับ
- สร้างเอาต์พุตของ Amazon Rekognition เป็นพารามิเตอร์อินพุตของเรา อเมซอน SageMaker จุดสิ้นสุดหลายรุ่น ตำแหน่งข้อมูลนี้โฮสต์กลุ่มตัวแยกประเภทของเรา ซึ่งได้รับการฝึกฝนสำหรับชุดป้ายกำกับความเสียหายเฉพาะ
- ส่งผ่านผลลัพธ์ของตำแหน่งข้อมูล SageMaker ไปยัง อเมซอน เสริม AI (อเมซอน A2I).
ไดอะแกรมต่อไปนี้แสดงเวิร์กโฟลว์ไปป์ไลน์
ไปป์ไลน์การตรวจสอบโดยมนุษย์ในวง
แผนภาพต่อไปนี้แสดงไปป์ไลน์แบบมนุษย์ในลูป (HIL)
ด้วย Amazon A2I เราสามารถกำหนดค่าเกณฑ์ที่จะทริกเกอร์การตรวจสอบโดยมนุษย์โดยทีมส่วนตัว เมื่อแบบจำลองให้ผลการคาดการณ์ที่มีความเชื่อมั่นต่ำ นอกจากนี้ เรายังสามารถใช้ Amazon A2I เพื่อให้มีการตรวจสอบอย่างต่อเนื่องสำหรับการคาดการณ์ของโมเดลของเรา ขั้นตอนการทำงานมีดังนี้
- Amazon A2I กำหนดเส้นทางการคาดคะเนที่มีความมั่นใจสูงไปยัง OpenSearch Service อัปเดตข้อมูลฉลากของรูปภาพ
- Amazon A2I กำหนดเส้นทางการคาดคะเนที่มีความมั่นใจต่ำให้กับทีมส่วนตัวเพื่อใส่คำอธิบายประกอบรูปภาพด้วยตนเอง
- ผู้ตรวจทานที่เป็นมนุษย์ทำคำอธิบายประกอบให้เสร็จสมบูรณ์ โดยสร้างไฟล์เอาต์พุตคำอธิบายประกอบโดยมนุษย์ที่จัดเก็บไว้ในบัคเก็ต HIL Output S3
- บัคเก็ต HIL Output S3 ทริกเกอร์ฟังก์ชัน Lambda ที่แยกวิเคราะห์เอาต์พุตคำอธิบายประกอบของมนุษย์และอัปเดตข้อมูลของรูปภาพใน OpenSearch Service
ด้วยการกำหนดเส้นทางผลลัพธ์ของคำอธิบายประกอบโดยมนุษย์กลับไปยังที่เก็บข้อมูล เราสามารถฝึกโมเดลทั้งมวลใหม่และปรับปรุงความแม่นยำของโมเดลซ้ำๆ ได้
ด้วยผลลัพธ์คุณภาพสูงที่จัดเก็บไว้ใน OpenSearch Service เราจึงสามารถทำการค้นหาเชิงพื้นที่และเชิงเวลาผ่าน REST API โดยใช้ Amazon API Gateway Amazon และจีโอเซิร์ฟเวอร์ OpenSearch Dashboard ยังช่วยให้ผู้ใช้สามารถค้นหาและเรียกใช้การวิเคราะห์ด้วยชุดข้อมูลนี้
ผลสอบ
รหัสต่อไปนี้แสดงตัวอย่างผลลัพธ์ของเรา
ด้วยไปป์ไลน์ใหม่นี้ เราสร้าง backstop ของมนุษย์สำหรับโมเดลที่ยังไม่มีประสิทธิภาพเต็มที่ ไปป์ไลน์ ML ใหม่นี้ถูกนำไปผลิตเพื่อใช้กับ a microservice กรองภาพพลเรือนลาดตระเวนทางอากาศ ที่อนุญาตให้กรองภาพพลเรือนลาดตระเวนทางอากาศในเปอร์โตริโก ซึ่งช่วยให้หน่วยกู้ภัยสามารถดูขอบเขตของความเสียหายและดูภาพที่เกี่ยวข้องกับความเสียหายหลังพายุเฮอริเคนได้ AWS Data Lab, AWS Open Data Program, Amazon Disaster Response team และ AWS human-in-the-loop team ทำงานร่วมกับลูกค้าเพื่อพัฒนาไปป์ไลน์โอเพ่นซอร์สที่สามารถใช้ในการวิเคราะห์ข้อมูล Civil Air Patrol ที่จัดเก็บไว้ใน Open Data โปรแกรมการลงทะเบียนตามความต้องการหลังจากเกิดภัยพิบัติทางธรรมชาติ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับสถาปัตยกรรมไปป์ไลน์และภาพรวมของการทำงานร่วมกันและผลกระทบ โปรดดูวิดีโอ มุ่งเน้นไปที่การตอบสนองภัยพิบัติด้วย Amazon Augmented AI, AWS Open Data Program และ AWS Snowball.
สรุป
เนื่องจากการเปลี่ยนแปลงสภาพภูมิอากาศยังคงเพิ่มความถี่และความรุนแรงของพายุและไฟป่า เราจึงยังคงเห็นความสำคัญของการใช้ ML เพื่อทำความเข้าใจผลกระทบของเหตุการณ์เหล่านี้ต่อชุมชนท้องถิ่น เครื่องมือใหม่เหล่านี้สามารถเร่งความพยายามในการตอบสนองภัยพิบัติและช่วยให้เราสามารถใช้ข้อมูลจากการวิเคราะห์หลังเหตุการณ์เหล่านี้เพื่อปรับปรุงความแม่นยำในการทำนายของแบบจำลองเหล่านี้ด้วยการเรียนรู้เชิงรุก โมเดล ML ใหม่เหล่านี้สามารถทำคำอธิบายประกอบข้อมูลได้โดยอัตโนมัติ ซึ่งทำให้เราสามารถอนุมานขอบเขตของความเสียหายจากแต่ละเหตุการณ์เหล่านี้ได้ เมื่อเราวางป้ายกำกับความเสียหายซ้อนทับกับข้อมูลแผนที่ ข้อมูลสะสมดังกล่าวยังช่วยปรับปรุงความสามารถของเราในการคาดการณ์ความเสียหายสำหรับเหตุการณ์ภัยพิบัติในอนาคต ซึ่งสามารถแจ้งกลยุทธ์ในการบรรเทาผลกระทบได้ สิ่งนี้สามารถปรับปรุงความยืดหยุ่นของชุมชน เศรษฐกิจ และระบบนิเวศด้วยการให้ข้อมูลแก่ผู้มีอำนาจตัดสินใจที่พวกเขาต้องการเพื่อพัฒนานโยบายที่ขับเคลื่อนด้วยข้อมูลเพื่อจัดการกับภัยคุกคามด้านสิ่งแวดล้อมที่เกิดขึ้นใหม่เหล่านี้
ในบล็อกโพสต์นี้ เราได้กล่าวถึงการใช้คอมพิวเตอร์วิทัศน์กับภาพถ่ายดาวเทียม โซลูชันนี้มีไว้เพื่อเป็นสถาปัตยกรรมอ้างอิงหรือคู่มือเริ่มต้นฉบับย่อที่คุณสามารถปรับแต่งตามความต้องการของคุณเองได้
ลองใช้ดูและแจ้งให้เราทราบว่าสิ่งนี้จะแก้ไขกรณีการใช้งานของคุณได้อย่างไรโดยแสดงความคิดเห็นในส่วนความคิดเห็น สำหรับข้อมูลเพิ่มเติม โปรดดูที่ ความสามารถเชิงพื้นที่ของ Amazon SageMaker.
เกี่ยวกับผู้เขียน
วัมชี กฤษณะ เอนาโบธาลา เป็น Sr. Applied AI Specialist Architect ที่ AWS เขาทำงานร่วมกับลูกค้าจากภาคส่วนต่างๆ เพื่อเร่งความเร็วของข้อมูลที่มีผลกระทบสูง การวิเคราะห์ และการเรียนรู้ของเครื่อง เขาหลงใหลเกี่ยวกับระบบคำแนะนำ, NLP และด้านคอมพิวเตอร์วิทัศน์ใน AI และ ML นอกเวลางาน Vamshi เป็นผู้ที่ชื่นชอบ RC สร้างอุปกรณ์ RC (เครื่องบิน รถยนต์ และโดรน) และยังชอบทำสวนอีกด้วย
มอร์แกน ดัตตัน เป็นผู้จัดการโปรแกรมทางเทคนิคอาวุโสกับทีม Amazon Augmented AI และ Amazon SageMaker Ground Truth เธอทำงานร่วมกับลูกค้าองค์กร นักวิชาการ และภาครัฐเพื่อเร่งการนำแมชชีนเลิร์นนิงและบริการ ML ของมนุษย์มาใช้
ซานดีป เวอร์มา เป็น Sr. Prototyping Architect กับ AWS เขาสนุกกับการดำดิ่งสู่ความท้าทายของลูกค้าและสร้างต้นแบบสำหรับลูกค้าเพื่อเร่งสร้างนวัตกรรม เขามีพื้นฐานด้าน AI/ML เป็นผู้ก่อตั้ง New Knowledge และมักหลงใหลในเทคโนโลยี ในเวลาว่าง เขาชอบท่องเที่ยวและเล่นสกีกับครอบครัว
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/accelerate-disaster-response-with-computer-vision-for-satellite-imagery-using-amazon-sagemaker-and-amazon-augmented-ai/
- 100
- 7
- 98
- a
- ความสามารถ
- สามารถ
- เกี่ยวกับเรา
- นักวิชาการ
- เร่งความเร็ว
- ความถูกต้อง
- การปฏิบัติ
- คล่องแคล่ว
- การกระทำ
- ที่อยู่
- การนำมาใช้
- ความก้าวหน้า
- ความได้เปรียบ
- กับ
- หน่วยงานที่
- AI
- AI / ML
- AIR
- ทั้งหมด
- ช่วยให้
- อเมซอน
- อเมซอน เสริม AI
- ความหมายของ Amazon
- อเมซอน SageMaker
- ความจริงของ Amazon SageMaker
- การวิเคราะห์
- การวิเคราะห์
- การวิเคราะห์
- วิเคราะห์
- และ
- อื่น
- API
- การใช้งาน
- ประยุกต์
- AI ประยุกต์
- สถาปัตยกรรม
- พื้นที่
- ที่เกี่ยวข้อง
- การตรวจสอบบัญชี
- เติม
- โดยอัตโนมัติ
- ความตระหนัก
- AWS
- กลับ
- พื้นหลัง
- สกอร์
- อุปสรรค
- baseline
- เพราะ
- มาตรฐาน
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- บล็อก
- กันชน
- สร้าง
- การก่อสร้าง
- ฝาครอบ
- รถยนต์
- กรณี
- กรณี
- หมวดหมู่
- ส่วนกลาง
- ความท้าทาย
- ท้าทาย
- เปลี่ยนแปลง
- ตรวจสอบ
- เลือก
- เมือง
- ภูมิอากาศ
- อากาศเปลี่ยนแปลง
- Cluster
- รหัส
- การทำงานร่วมกัน
- ความคิดเห็น
- ร่วมกัน
- ชุมชน
- เสร็จสิ้น
- ส่วนประกอบ
- คำนวณ
- คอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- ความมั่นใจ
- บรรจุ
- สิ่งแวดล้อม
- ต่อ
- อย่างต่อเนื่อง
- ควบคุม
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- ความคิดสร้างสรรค์
- วิกฤติ
- curated
- ลูกค้า
- ลูกค้า
- ปรับแต่ง
- หน้าปัด
- ข้อมูล
- ที่ขับเคลื่อนด้วยข้อมูล
- ชุดข้อมูล
- การซื้อขาย
- ผู้มีอำนาจตัดสินใจ
- ลึก
- การเรียนรู้ลึก ๆ
- ส่งมอบ
- ความต้องการ
- ปรับใช้
- บรรยาย
- ออกแบบ
- ได้รับการออกแบบ
- รายละเอียด
- ตรวจพบ
- การตรวจพบ
- พัฒนา
- พัฒนาการ
- ต่าง
- ยาก
- ภัยพิบัติ
- ภัยพิบัติ
- กล่าวถึง
- โดรน
- แต่ละ
- เศรษฐกิจ
- ระบบนิเวศ
- ความพยายาม
- กากกะรุน
- เปิดการใช้งาน
- ช่วยให้
- ปลายทาง
- Enterprise
- คนที่กระตือรือร้น
- ทั้งหมด
- สิ่งแวดล้อม
- อุปกรณ์
- โดยเฉพาะอย่างยิ่ง
- แม้
- เหตุการณ์
- เหตุการณ์
- วิวัฒนาการ
- ตัวอย่าง
- ที่มีอยู่
- แพง
- สารสกัดจาก
- ครอบครัว
- FAST
- ที่โดดเด่น
- คุณสมบัติ
- ข้อเสนอแนะ
- เนื้อไม่มีมัน
- กรอง
- กรอง
- ธรรมชาติ
- ชื่อจริง
- โฟกัส
- ดังต่อไปนี้
- ดังต่อไปนี้
- ผู้สร้าง
- ฟรี
- เวลา
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- ฟังก์ชัน
- ฟังก์ชั่น
- อนาคต
- ได้รับ
- โดยทั่วไป
- สร้าง
- การสร้าง
- ตามภูมิศาสตร์
- ML เชิงพื้นที่
- ได้รับ
- กำหนด
- ให้
- เหตุการณ์ที่
- ดี
- รัฐบาล
- จีพีเอส
- พื้น
- ให้คำแนะนำ
- จัดการ
- มี
- ช่วย
- เป็นประโยชน์
- จะช่วยให้
- จุดสูง
- ที่มีคุณภาพสูง
- อย่างสูง
- ตี
- เจ้าภาพ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HTML
- HTTPS
- เป็นมนุษย์
- พายุเฮอริเคน
- ID
- ระบุ
- แยกแยะ
- ภาพ
- ภาพ
- ส่งผลกระทบ
- การดำเนินงาน
- ความสำคัญ
- ปรับปรุง
- การปรับปรุง
- in
- รวมทั้ง
- ขาเข้า
- เพิ่ม
- ข้อมูล
- ความคิดริเริ่ม
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด
- อินพุต
- แบบบูรณาการ
- การผสานรวม
- ขัดจังหวะ
- จะเรียก
- ร่วมมือ
- IT
- การสัมภาษณ์
- คีย์
- ทราบ
- ความรู้
- ห้องปฏิบัติการ
- ฉลาก
- การติดฉลาก
- ป้ายกำกับ
- ไม่มี
- เชื่อมโยงไปถึง
- ขนาดใหญ่
- การเรียนรู้
- การออกจาก
- ช่วยให้
- วงจรชีวิต
- ในประเทศ
- ที่ตั้ง
- ที่ต้องการหา
- ค้นหา
- ต่ำ
- เครื่อง
- เรียนรู้เครื่อง
- การบำรุงรักษา
- ทำ
- ทำให้
- ผู้จัดการ
- การจัดการ
- คู่มือ
- ด้วยมือ
- แผนที่
- แผนที่
- มาก
- ข่าวสาร
- ข้อความ
- เมตาดาต้า
- เม็กซิโก
- การบรรเทา
- ML
- แบบ
- โมเดล
- ข้อมูลเพิ่มเติม
- ย้าย
- ปลายทางหลายรุ่น
- หลาย
- โดยธรรมชาติ
- ธรรมชาติ
- จำเป็นต้อง
- ความต้องการ
- ใหม่
- NLP
- การแจ้งเตือน
- วัตถุ
- การตรวจจับวัตถุ
- วัตถุ
- มหาสมุทร
- การเสนอขาย
- ต่อเนื่อง
- เปิด
- ข้อมูลเปิด
- โอเพนซอร์ส
- ด้านนอก
- ภาพรวม
- ของตนเอง
- Parallel
- พารามิเตอร์
- หลงใหล
- แบบแผน
- ดำเนินการ
- มุมมอง
- ท่อ
- ดาวเคราะห์
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- โพสต์
- การปฏิบัติ
- ความแม่นยำ
- คาดการณ์
- คำทำนาย
- การคาดการณ์
- จัดลำดับความสำคัญ
- ส่วนตัว
- ปัญหา
- กระบวนการ
- แปรรูปแล้ว
- การประมวลผล
- การผลิต
- โครงการ
- โปรโตคอล
- ต้นแบบ
- การสร้างต้นแบบ
- ที่พิสูจน์แล้ว
- ให้
- การให้
- สาธารณะ
- โต
- เปอร์โตริโก
- ใส่
- รวดเร็ว
- ดิบ
- เมื่อเร็ว ๆ นี้
- เมื่อเร็ว ๆ นี้
- แนะนำ
- ลด
- รีจิสทรี
- การเผยแพร่
- การสงเคราะห์
- จำเป็นต้องใช้
- นักวิจัย
- ความยืดหยุ่น
- ว่า
- คำตอบ
- REST
- ผลสอบ
- ทบทวน
- ยั
- เส้นทาง
- เส้นทาง
- วิ่ง
- sagemaker
- ดาวเทียม
- ที่ปรับขนาดได้
- ปรับ
- ฉาก
- ค้นหา
- ฤดูกาล
- Section
- ส่วน
- ภาค
- ภาค
- ระดับอาวุโส
- serverless
- เซิร์ฟเวอร์
- บริการ
- บริการ
- ชุดอุปกรณ์
- แสดงให้เห็นว่า
- ง่าย
- ขนาด
- ควัน
- ภาพย่อ
- ทางออก
- แหล่งที่มา
- ผู้เชี่ยวชาญ
- โดยเฉพาะ
- แหลม
- มาตรฐาน
- เริ่มต้น
- เริ่มต้น
- รัฐของศิลปะ
- สหรัฐอเมริกา
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- จัดเก็บ
- เก็บไว้
- พายุ
- กลยุทธ์
- อย่างเช่น
- สนับสนุน
- ระบบ
- ระบบ
- เอา
- ทีม
- ทีม
- เทคโนโลยี
- วิชาการ
- เทคโนโลยี
- พื้นที่
- ข้อมูล
- ภัยคุกคาม
- สาม
- เวลา
- ต้องใช้เวลามาก
- ไปยัง
- เครื่องมือ
- เครื่องมือ
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- การเดินทาง
- เรียก
- กลับ
- ชนิด
- เข้าใจ
- เป็นเอกลักษณ์
- การปรับปรุง
- การปรับปรุง
- us
- ใช้
- ใช้กรณี
- ผู้ใช้
- ต่างๆ
- ผ่านทาง
- วีดีโอ
- รายละเอียด
- วิสัยทัศน์
- การสร้างภาพ
- ที่
- จะ
- ไม่มี
- งาน
- ทำงาน
- โรงงาน
- จะ
- ปี
- อัตราผลตอบแทน
- คุณ
- ของคุณ
- YouTube
- ลมทะเล